Deep Learning 学习笔记（7）：神经网络的求解与反向传播算法（Back Propagation）

反向传播算法（Back Propagation）：

引言：

在逻辑回归中，我们使用梯度下降法求参数方程的最优解。

这种方法在神经网络中并不能直接使用，

因为神经网络有多层参数（最少两层），（？为何不能）

这就要求对梯度下降法做少许改进。

实现过程：

一、正向传播

首先，同逻辑回归，我们求出神经网络输出与实际值的“误差”——COST：

这里先使用欧式距离而不是索夫曼函数作为输出的cost：

展开之后：

（注意右边的权重衰减项，既规则化）

二、反向传播

对于第层（输出层）的每个输出单元，我们根据以下公式计算残差：

对的各个层，第层的第个节点的残差计算方法如下

这里：

这里相当于把本层节点的残差按照权重“投影”到上一层残差的节点上（“反向传播”就是这个意思）

在计算出各节点的残差之后，参数的偏导如下计算：

然后就可以梯度下降去了！

梯度下降过程：

1、进行前馈计算，求的所有节点的输出，求得cost；

2、进行反向传播计算，求的所有节点残差（第nl ~ 第2层）

3、利用公式求得cost对参数的偏导

4、更新偏导。

5、重复1~4知道cost差距小于预设值或重复次数大于预设值

（这里以上只讲实现方法，省略所有证明。相关证明贴于最后。）

随机初始化（ Random Initialization）：

在进行第一次前馈算法之前，神经网络参数的值是多少呢？

全零初始化？这是不可以的！

如果选择相同的参数进行初始化，

隐藏节点的出入必定相同（自己推推，更不用说输出了）。

为了使得对称失效，我们对神经网络的参数进行随机初始化，

既采用接近零的初始值进行初始化。

这个过程可以用matlab产生随机矩阵的功能来实现。

初始化之后，让我们一起下降吧！

用到的证明（残差的计算）：

1、

2、

巴特西